DeciFace: Dechiffrera inflytandet av etniska bakgrunder på ansiktsdysmorfa egenskaper hos sällsynta mendelska sjukdomar

Genetisk störning och ansiktsfenotyp

Det finns mer än 7000 kända genetiska störningar, och antalet drabbade uppskattas till cirka 6-10 % av befolkningen1. Cirka 30 till 40 % av genetiska störningar har fysiska förändringar i ansiktet och skallen som Downs syndrom eller Fragilt X-syndrom. Därför är den kända ansiktsfenotypen för många genetiska störningar mycket informativ för klinisk diagnos. Som alla vet är en snabb och korrekt diagnos av genetiska störningar avgörande för att förhindra potentiella hälsoproblem. För kliniska genetiker och barnläkare behöver det en hög grad av erfarenhet och expertis för att diagnostisera genetiska störningar genom ansiktsfenotyp. Det finns dock vissa dilemman för denna fråga. För det första är erkännande av icke-klassisk presentation eller ultrasällsynt genetisk störning begränsad av den individuella mänskliga expertens tidigare erfarenhet. För det andra kommer vissa genetiska störningar att förväxlas på kliniken eftersom de har ett fåtal subtyper (mer än en typisk fenotyp) eller överlappande ansiktsegenskaper med andra sjukdomar, såsom Cornelia de Langes syndrom. Slutligen kommer svårigheten att diagnostisera att öka på grund av att ansiktets fenotyp ibland är brett spektrum eller blir mer framträdande med ålder, som mukopolysackaridos. Kortfattat, diagnos av genetisk störning genom ansiktsfenotyp har fortfarande en utmaning.

Automatiserad ansiktsanalys

Forskningen om datorstödd igenkänning har länge handlat om ansiktsanalysrelaterade problem, särskilt för icke-klassisk presentation eller ultrasällsynta genetiska störningar. Med andra ord, att använda datoriserade system som ett hjälpmedel eller referens för kliniker blir allt viktigare2-6. Under de senaste åren har Face2Gene (FDNA Inc., Boston MA, USA) varit ett nytt och allmänt använt verktyg för att upptäcka ansiktsfenotyper och känna igen dysmorfa egenskaper från tvådimensionella (2D) frontala fotografier2. Facial dysmorphism novel analysis (FDNA)-tekniken i Face2Gene kallas DeepGestalt, som bygger på djupa konvolutionella neurala nätverk (DCNN) och använder datorseende och algoritmer för djupinlärning. Flödet på hög nivå av DeepGestalt är enligt beskrivningen av Yaron Gurovich et al.. Först förbearbetar man en ny ingångsbild för att uppnå ansiktsdetektering, landmärkesdetektering och inriktning och sedan beskära ingångsbilden till ansiktsregioner. För det andra matas varje region in i en DCNN och erhåller en softmax-vektor som indikerar dess överensstämmelse med varje syndrom i modellen. För det tredje aggregerar och sorterar utdatavektorerna från alla regionala DCNN för att få den slutliga rankade listan över genetiska störningar. Delen för DCNN-arkitekturen för DeepGestalt är som en uppföljning. Det finns tio faltningslager i nätverket, och alla utom det sista följs av batchnormalisering och en likriktad linjär enhet (ReLU). Ett sammanslagningsskikt appliceras efter varje par av faltningsskikt (CONV) (maximal poolning efter de första fyra paren och genomsnittlig poolning efter det femte paret). Och sedan följs CONV-lagren av ett fullt anslutet lager med dropout (0,5) och ett softmax-lager. Därför visas en provvärmekarta efter varje poollager. Genom att jämföra funktionerna på låg nivå i de första lagren och funktionerna på hög nivå i det sista lagret, kan de senare identifiera mer komplexa egenskaper i inmatningsbilden och har tenderat att framträda distinkta ansiktsdrag när identitetsrelaterade egenskaper försvinner. För närvarande tränas DeepGestalt-modellen på en datauppsättning med över 17 000 bilder som täcker mer än 200 olika genetiska sjukdomar som kureras genom Face2Gene, en gemenskapsdriven fenotypningsplattform.

Artikeln som identifierar ansiktsfenotyper av genetiska störningar med hjälp av djupinlärning ger DeepGestalts tillförlitlighet för att diagnostisera genetiska störningar genom automatiserad ansiktsanalys. Den binära gestaltmodellen skiljer en specifik störning från en uppsättning andra störningar. För Cornelia de Langes syndrom uppnår DeepGestalt 96,88 % noggrannhet, 95,67 % sensitivitet och 100 % specificitet. För Angelmans syndrom uppnår DeepGestalt 92 % noggrannhet, 80 % sensitivitet och 100 % specificitet. Jämfört med tidigare relaterad studie har båda en mer exakt diagnostisk förmåga. Den specialiserade gestaltmodellen används för att klassificera olika genotyper av samma syndrom. Noonans syndrom med en genmutation i PTPN11, SOS1, RAF1, RIT1 eller KRAS är en modell som används för att testa prestandan hos DeepGestalt. I denna studie är DeepGestalt en trunkerad version och förutsäger endast de fem önskade klasserna. Resultatet är topp-1-noggrannheten på 64%, vilket är överlägset den slumpmässiga chansen på 20%, vilket gör att genetiker kan undersöka fenotyp-genotypkorrelationer. Multi-class gestaltmodell är att DeepGestalt utför ansiktsgestaltanalys i skala. DeepGestalt har en 90,6 % topp-10-noggrannhet på den kliniska testsatsen och 89,4 % på publiceringstestsatsen. Topp-5- och topp-1-noggrannheten för det kliniska testsetet uppnår 85,4 % respektive 61,3 %, och för publikationstestsetet 83,2 % respektive 68,7 %. Därför kan den kliniska nå bättre prioritering och diagnos av genetiska störningar genom ett automatiserat ramverk för ansiktsanalys. Potentiellt tillför DeepGestalt ett avsevärt värde till att utvärdera ansiktsfenotypen av en genetisk störning i klinisk genetik, molekylära studier och forskning.

År 2022, baserat på det tidigare arbetet, Hsieh et al. föreslagna GestaltMatcher6, som använde DCNN som tränats på patientfoton som en kodare för att konvertera ansiktsfoton till funktionsvektorer för att bilda ett kliniskt ansiktsfenotyputrymme (CFPS). De kvantifierade sedan likheten mellan patienter med cosinusavståndet för två vektorer i CFPS. Med detta tillvägagångssätt kan utredarna stödja de ultrasällsynta syndromen som saknar bilder som ska tränas och driva de stödda syndromen till nästa nivå (från 299 till 1 115 syndrom). GestaltMatcher kan också identifiera nya störningar. Dessutom bidrar det till den mångåriga diskussionen om särskiljbarhet inom nosologin av genetiska sjukdomar. För närvarande finns det 11 nya sjukdomsgener under analys, och fyra av dem skickades till tidskriften peer-review.